論文の概要: Adversarial Multiscale Feature Learning for Overlapping Chromosome
Segmentation
- arxiv url: http://arxiv.org/abs/2012.11847v2
- Date: Fri, 26 Mar 2021 05:44:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-26 07:46:56.890430
- Title: Adversarial Multiscale Feature Learning for Overlapping Chromosome
Segmentation
- Title(参考訳): 重複染色体分節に対するadversarial multiscale feature learning
- Authors: Liye Mei, Yalan Yu, Yueyun Weng, Xiaopeng Guo, Yan Liu, Du Wang, Sheng
Liu, Fuling Zhou, and Cheng Lei
- Abstract要約: 染色体核型解析は疾患の診断と治療において非常に臨床的に重要である。
染色体のストリップ形状のため、画像化すると簡単に互いに重複します。
重なり合う染色体セグメンテーションの精度と適応性を向上させるために, 対角的マルチスケール特徴学習フレームワークを提案する。
- 参考スコア(独自算出の注目度): 6.180155406275231
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Chromosome karyotype analysis is of great clinical importance in the
diagnosis and treatment of diseases, especially for genetic diseases. Since
manual analysis is highly time and effort consuming, computer-assisted
automatic chromosome karyotype analysis based on images is routinely used to
improve the efficiency and accuracy of the analysis. Due to the strip shape of
the chromosomes, they easily get overlapped with each other when imaged,
significantly affecting the accuracy of the analysis afterward. Conventional
overlapping chromosome segmentation methods are usually based on manually
tagged features, hence, the performance of which is easily affected by the
quality, such as resolution and brightness, of the images. To address the
problem, in this paper, we present an adversarial multiscale feature learning
framework to improve the accuracy and adaptability of overlapping chromosome
segmentation. Specifically, we first adopt the nested U-shape network with
dense skip connections as the generator to explore the optimal representation
of the chromosome images by exploiting multiscale features. Then we use the
conditional generative adversarial network (cGAN) to generate images similar to
the original ones, the training stability of which is enhanced by applying the
least-square GAN objective. Finally, we employ Lovasz-Softmax to help the model
converge in a continuous optimization setting. Comparing with the established
algorithms, the performance of our framework is proven superior by using public
datasets in eight evaluation criteria, showing its great potential in
overlapping chromosome segmentation
- Abstract(参考訳): 染色体核型解析は、特に遺伝疾患の診断と治療において非常に臨床的に重要である。
手動解析は非常に時間と労力がかかり、画像に基づくコンピュータ支援自動染色体型解析は、解析の効率と精度を向上させるために日常的に使用される。
染色体の細長い形状のため、画像化時に互いに重なり合いやすく、その後の解析の精度に大きな影響を与えている。
従来の重複染色体分割法は通常手動でタグ付けされた特徴に基づいており、その性能は画像の解像度や明るさなどの品質に容易に影響を受ける。
そこで本研究では,重複染色体分割の精度と適応性を向上させるために,逆向きのマルチスケール特徴学習フレームワークを提案する。
具体的には、まず高密度スキップ接続を有するネスト型U字型ネットワークを用いて、マルチスケールの特徴を利用して染色体画像の最適な表現を探索する。
次に、条件付き生成逆数ネットワーク(cGAN)を用いて、元のものと類似した画像を生成し、最小二乗 GAN 目標を適用してトレーニング安定性を向上させる。
最後に、モデルの連続的な最適化設定の収束を支援するためにLovasz-Softmaxを用いる。
確立されたアルゴリズムと比較して,8つの評価基準で公開データセットを用いて,染色体分割の重なり合う可能性を示した。
関連論文リスト
- Masked conditional variational autoencoders for chromosome straightening [14.665481276886194]
核タイピングはヒト疾患における染色体異常の検出に重要である。
染色体は顕微鏡画像に容易に湾曲し、細胞遺伝学者が染色体の型を分析するのを防ぐ。
本稿では,前処理アルゴリズムと生成モデルを組み合わせた染色体ストレート化の枠組みを提案する。
論文 参考訳(メタデータ) (2023-06-25T05:11:41Z) - Karyotype AI for Precision Oncology [24.283441582734255]
従来の核型解析を自動化しようとする試みは収差検出では不十分であった。
TopViTはCNN(インセプション)モデルで99.3%の精度で染色体を同定した。
論文 参考訳(メタデータ) (2022-11-20T04:59:23Z) - Chromosome Segmentation Analysis Using Image Processing Techniques and
Autoencoders [0.0]
細胞遺伝学に基づく診断において, 染色体解析とメタフェーズ画像からの同定が重要な部分である。
染色体をメタフェーズから同定するプロセスは退屈なもので、訓練された人員と実行に数時間を要する。
そこで本研究では,染色体検出と染色体分割のプロセスを自動化する手法を提案する。
論文 参考訳(メタデータ) (2022-09-12T17:06:42Z) - Domain Invariant Model with Graph Convolutional Network for Mammogram
Classification [49.691629817104925]
グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。
まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。
マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
論文 参考訳(メタデータ) (2022-04-21T08:23:44Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳(メタデータ) (2022-04-19T10:41:09Z) - Deep Anomaly Generation: An Image Translation Approach of Synthesizing
Abnormal Banded Chromosome Images [0.0]
我々は,現実的な単一染色体画像の生成を可能にする条件付き対位ネットワークを実装した。
自己生成2次元染色体セグメンテーションラベルマップに基づく画像から画像への変換手法を用いる。
本手法は構造異常を伴う染色体データセットのデータ増大に活用できると考えている。
論文 参考訳(メタデータ) (2021-09-20T17:16:23Z) - Cross-Modal Contrastive Learning for Abnormality Classification and
Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。
まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。
放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
論文 参考訳(メタデータ) (2021-04-11T09:16:29Z) - Cascaded Robust Learning at Imperfect Labels for Chest X-ray
Segmentation [61.09321488002978]
不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。
モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。
提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
論文 参考訳(メタデータ) (2021-04-05T15:50:16Z) - A Novel Application of Image-to-Image Translation: Chromosome
Straightening Framework by Learning from a Single Image [3.7769813168959527]
染色体直線化は、染色体の病理研究や細胞遺伝地図の発達において重要な役割を担っている。
本研究では、画像から画像への変換に基づく新しいフレームワークを提案し、直交染色体の合成のための関連するマッピング依存性を学習する。
論文 参考訳(メタデータ) (2021-03-04T05:05:41Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。